Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Depois de concluir Pensamento Estatístico em Python (Parte 1), você já tem a mentalidade probabilística e a base de hacker stats para mergulhar em conjuntos de dados e extrair informações úteis. Neste curso, você vai justamente fazer isso, ampliando e aperfeiçoando sua caixa de ferramentas de hacker stats para executar as duas tarefas-chave da inferência estatística: estimação de parâmetros e testes de hipóteses. Você vai trabalhar com conjuntos de dados reais ao longo do aprendizado, culminando em uma análise das medidas dos bicos dos famosos tentilhões de Darwin. Você vai sair deste curso com novos conhecimentos e muita prática, pronto para encarar seus próprios problemas de inferência no mundo real.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Estimativa de parâmetros por otimização
Ao fazer inferência estatística, falamos a linguagem da probabilidade. Uma distribuição de probabilidade que descreve seus dados tem parâmetros. Assim, um objetivo central da inferência estatística é estimar os valores desses parâmetros, o que nos permite descrever os dados de forma concisa e inequívoca e tirar conclusões a partir deles. Neste capítulo, você vai aprender a encontrar os parâmetros ótimos, aqueles que melhor descrevem seus dados.
- Parâmetros ótimos50 XP
- Com que frequência temos no-hitters?100 XP
- Os dados seguem a nossa história?100 XP
- Por que esse parâmetro é ótimo?100 XP
- Regressão linear por mínimos quadrados50 XP
- EDA de dados de alfabetização/fertilidade100 XP
- Regressão linear100 XP
- Como isso é ótimo?100 XP
- A importância da EDA: quarteto de Anscombe50 XP
- A importância da EDA50 XP
- Regressão linear nos dados apropriados de Anscombe100 XP
- Regressão linear em todos os dados de Anscombe100 XP
2
Intervalos de confiança por bootstrap
“Pull yourself up by your bootstraps” é um idiom clássico que significa realizar uma tarefa difícil por conta própria, sem ajuda alguma. Em inferência estatística, você quer saber o que aconteceria se pudesse repetir a aquisição dos seus dados um número infinito de vezes. Essa tarefa é impossível, mas será que podemos usar apenas os dados que realmente temos para chegar perto do mesmo resultado de uma infinidade de experimentos? A resposta é sim! A técnica para fazer isso é, apropriadamente, chamada de bootstrapping. Este capítulo vai apresentar a você essa ferramenta extraordinariamente poderosa.
3
Introdução aos testes de hipóteses
Agora você sabe como definir e estimar parâmetros dado um modelo. Mas permanece a pergunta: quão razoável é observar seus dados se um modelo for verdadeiro? Essa questão é respondida por testes de hipóteses. Eles são a cereja do bolo da inferência. Depois de concluir este capítulo, você será capaz de construir e testar hipóteses com cuidado usando hacker statistics.
4
Exemplos de testes de hipóteses
Como você viu no capítulo anterior, testes de hipóteses podem ser um pouco complexos. Você precisa definir a hipótese nula, descobrir como simulá-la e definir claramente o que significa ser “mais extremo” para calcular o valor de p. Como qualquer habilidade, a prática leva à perfeição, e este capítulo oferece uma boa dose de treino com testes de hipóteses.
5
Juntando tudo: um estudo de caso
Todos os anos, há mais de 40 anos, Peter e Rosemary Grant vão à ilha Daphne Major, nas Galápagos, e coletam dados sobre os tentilhões de Darwin. Usando suas habilidades de inferência estatística, você vai passar este capítulo com os dados deles e observar em primeira mão, por meio dos dados, a evolução em ação. É uma maneira empolgante de encerrar o curso!
Pensamento Estatístico em Python (Parte 2)
Curso
concluído
